Bonferroni 조정은 항상 가족 별 오류율을 강력하게 제어합니다. 즉, 테스트의 성격과 수 또는 테스트 간의 관계에 관계없이 가정이 충족되면 모든 테스트 중 하나의 잘못된 중대한 결과가 발생할 가능성이 원래의 오류 인 임을 의미 합니다. 수평. 따라서 항상 사용할 수 있습니다 .α
그것을 사용 하는 것이 적절한 지 (다른 방법과 달리 또는 전혀 조정되지 않는지 여부)는 목표, 규율 표준 및 특정 상황에 대한 더 나은 방법의 가용성에 달려 있습니다. 최소한 Holm-Bonferroni 방법을 고려해야합니다. 이는 일반적이지만 덜 보수적 인 방법입니다.
예를 들어, 몇 가지 테스트를 수행하기 때문에 가족 별 오류율 (적어도 하나의 귀무 가설을 잘못 기각 할 확률) 이 증가하고 있습니다. 반마다 하나의 테스트 만 수행하는 경우 Hommel의 방법 또는 잘못된 발견 비율을 제어하는 방법 (가족 별 오류율과는 다른 방법)을 포함하여 많은 조정이 가능합니다. 전체 데이터 세트에 대해 여러 하위 테스트를 수행 한 테스트는 더 이상 독립적이지 않으므로 일부 방법이 더 이상 적합하지 않습니다. 앞에서 말했듯이 Bonferroni는 항상 사용 가능하며 광고 된대로 작동합니다 (그러나 매우 보수적 임).
전체 문제를 무시해도됩니다. 공식적으로, 가족 별 오류율은 더 높지만 두 번의 테스트만으로도 그렇게 나쁘지는 않습니다. 또한 전체 데이터 세트에 대한 테스트를 시작하여 주 결과로 처리 한 다음 다른 그룹에 대한 하위 테스트를 수행 할 수 있습니다.이 그룹은 보조 결과 또는 부수 가설로 이해되므로 수정되지 않습니다.
이러한 방식으로 많은 인구 통계 학적 변수를 고려하는 경우 (가동 또는보다 체계적인 모델링 방식과의 성별 차이를 테스트하려는 계획이 아니라)“데이터 준설”(한 가지 차이점)로 인해 심각한 문제가 발생합니다. 실제로는 아무 일도 일어나지 않았지만 부팅 할 인구 통계 학적 변수에 대한 멋진 이야기로 결정적이지 않은 실험을 구출 할 수있게되었으므로 여러 테스트에 대한 조정 형식을 반드시 고려해야합니다. 이 논리는 X 개의 다른 가설과 동일하게 유지됩니다 (데이터 세트의 각 절반에 하나씩 X 가설을 두 번 테스트 함)는 한 번만 X 가설을 테스트하는 것보다 더 높은 가족 별 오류율을 나타내므로 아마도 그에 맞게 조정해야합니다.